NVIDIAが解説するディープラーニングの基礎（後編）：CNN／RNNやフレームワーク概要まで（4/5 ページ）

エヌビディアは2018年4月24日、ディープラーニングに関するセミナー「NVIDIA Deep Learning Seminar 2018」を東京都内で開催した。本稿では、セッション「これから始める人のためのディープラーニング基礎講座」から、各種ニューラルネットワークやその応用例、ディープラーニングフレームワークの概要について紹介する。

[松本貴志，EE Times Japan]

Define-and-runとDefine-by-runの比較

　Define-and-runとDefine-by-runの説明に入る前に、山崎氏は「計算グラフ」の概念を説明した。計算グラフは、計算の流れをグラフ構造により記述したもので、複雑な処理でも視覚的に処理内容を理解することができる。多くのフレームワークは、計算グラフによりニューラルネットワークを構築している。

計算グラフ（シンプルなCNNの場合）のイメージ（クリックで拡大）

　上図ネットワークで推論を行う場合、入力データは畳み込み層（conv）、プーリング層（pool）、全結合層（fc）、活性化関数（relu）、ソフトマックス関数（softmax）を経て、処理結果が確率（prob.）として出力される順伝播で処理が進む。このネットワークで学習を行う場合、出力と教師データ（label）から誤差関数（loss）によって誤差（error）を定量化し、逆伝播で各層の勾配を計算、重み係数の更新を行う。

左：順方向伝播の処理 右：逆方向伝播の処理（クリックで拡大）

　Define-and-runは計算グラフを構築した後にデータを流し処理を実行する方式で、「最適化しやすいが、途中経過の処理状態を確認することが面倒」だと山崎氏は説明する。その対称とされるDefine-by-runでは、計算グラフの構築と順伝播処理の実行が同時に行われるため、「途中の処理結果が確認でき、デバッグが楽になる。さらには途中の処理結果に応じて分岐など、処理内容を変更することができる」（山崎氏）として、言語処理などRNNで有効な手法だとした。

Define-and-runとDefine-by-runの比較（クリックで拡大）

　Define-and-runは、TensorFlowやCaffe、MXNetなど多くのフレームワークで実装されている。Define-by-runは、先駆け的な存在であるChainerやPyTorchの他、TensorFlowでもプレビューバージョンの一部機能で対応を始めたという。

Define-and-runとDefine-by-runに対応する主なフレームワーク（クリックで拡大）